‍

摘要

十万卡级部署已经出现，海外供应约束也为中国AI芯片打开了替代窗口。AI应用可以沿着现有网络和软件快速扩散，支撑它的制造产能、机房与电力却要逐步建设。这种时间差，可能延长部分部件的紧缺，也会改变扩产的回报。能否迎来“超级周期”，要看新增业务能否持续吸收供给，让一轮投资接上下一轮。

中国AI芯片怎样接住大模型的推理订单？

海外高端卡供应受限，为中国AI芯片争取大模型的生产推理业务打开了窗口。英伟达在8月公布的2027财年第二季度报告中表示，受美中监管限制，公司难以在中国数据中心市场提供能够广泛销售的有竞争力产品。模型厂商需要持续承接用户请求，供应确定性由此成为采购时的一项现实考量。

智谱提供了一个实际运行的案例。9月17日发布的基础设施复盘称，公司已在超过10万颗中国制造的AI加速器组成的集群上，构建起GLM-5.3-Flash的生产推理服务，全部生产推理都由这套系统承接。公司未披露芯片品牌及采购构成，这个规模不能直接归为某一家芯片企业的订单。

为了接住请求，智谱团队压缩显存与缓存占用，再把输入编码、上下文处理和答案生成分开配置资源。公司称，多项优化使同一硬件的端到端吞吐量达到初始基线的约3倍。软件和系统调整，让已经买来的硬件能够承接更多业务。

这项改善怎样影响采购选择？同一模型若能在满足响应速度和稳定性要求的前提下，用更少设备承接相同请求，客户的采购与运营账才可能改善。智谱展示的是模型团队的优化成果；芯片企业要把机会接过来，需要配合模型适配，并将有效的优化沉淀为其他客户也能使用的软件与部署方案，减少后续项目重复调试的成本。

效率提高首先释放的是已有容量，业务量不变时，客户反而可能暂缓加购。新的芯片订单，还要靠更多业务迁入、更多客户采用，以及负载增长带来的扩容。中国AI芯片在生产推理市场的机会，因此有两步：先以可用、划算的方案进入业务，再随着客户扩大使用获得后续采购。

华为、阿里押注超节点，供电和液冷为什么要同步规划？

模型跨卡运行时，部分计算步骤需要交换和汇总数据。超节点通过高速互联扩大设备的协作范围，减少通信等待，让增加的芯片能够更有效地参与计算。华为与阿里的近期布局，都把优化范围延伸到了芯片之外。

华为9月17日发布的Atlas 960E SuperPoD，通过灵衢与Hi-ONE光引擎连接计算设备，支持统一内存编址及跨服务器内存访问。按公司公布的设计，单套超节点可扩展至4096颗NPU，采用近封装光学（NPO）互联和全液冷，互联与冷却共同构成系统架构。同日披露的25.6万卡Atlas 950超集群正在部署，则属于多个节点组成的更大集群。

图：Atlas 960E SuperPoD发布会现场，2026年9月17日。来源：华为。

阿里9月22日公布的规划，也将AI芯片、CPU、智能网卡和互联芯片纳入同一体系，强调芯片、服务器、超节点、网络、模型与推理引擎的联合优化。公司表示，阿里云超节点从本季度开始规模化上线；下一代真武V900则计划于2027年第一季度量产。阿里的优化对象，已经覆盖模型运行所依赖的整套计算系统。

超节点进入机房，还要按具体机架落实供电与散热。4096颗NPU描述的是系统协作规模，单柜功率取决于每柜的芯片、交换设备配置及运行负载。高功率设备密集部署，会增加单柜的用电和排热压力；大规模同步计算还可能带来快速的负载波动。这些要求需要与互联架构共同设计，在部署规划时就明确下来。

800VDC是应对高功率密度的一条配电路线。同等输送功率下，提高直流电压可以降低电流，减轻导体用量与电阻损耗压力。冷板式液冷则把芯片热量经配液管路、冷却分配单元送往设施侧冷却系统。两者分别处理电力输送与热量排出，具体方案仍要与计算平台和机房条件匹配。任务总耗电可以随运行效率改善而下降，现场却仍须满足设备运行时的功率和散热需求。

示意图：大型AI集群从模型负载到可上线MW的交付链。

供应商正在把匹配工作提前纳入交付。9月21日，NVIDIA的DSX Ready将电池储能系统和冷却分配单元纳入资格体系；9月23日，Supermicro宣布出货液冷Vera Rubin NVL72机架，将冷板、配液、冷却分配单元和设施冷却纳入整体方案；9月24日，三菱电机发布Chip-to-Grid参考设计，把电网接入、储能、配电与冷却一并规划，同时支持415/480VAC与800VDC。资格、出货与参考设计处于不同环节，共同说明交付范围正从计算设备延伸到现场配套。

中国AI芯片扩大部署，服务器、互联、电源和液冷企业就需要更早参与项目设计与联合验证。客户要落实的不仅有芯片数量，还有匹配的机架配置、供配电容量和冷却条件。把这些环节纳入同一份上线计划，才能减少设备到货与现场就绪之间的错位。设备采购可以随排产调整，机房建设却牵涉更长期的投入，两者会以不同节奏影响扩张。

示意图：基钦约40个月、朱格拉约8至10年、康波长波假说约55至60年，均指包含上升与衰退的完整周期经典参考，非本轮AI产业周期预测值；建设、运营与生产率不与三个周期一一对应。

基钦周期：存储、光模块的扩产，能追上AI需求吗？

存储和光模块仍在扩产，清晰的补库—去库过程却还难从现有披露中辨认。基钦周期关注采购、生产与库存之间的起落；眼下，美光、SK海力士与Coherent的材料更突出供给紧张、制造资源重新分配和新产能准备。值得研究的是：持续变化的AI需求，是否正在改变关键部件的库存调整节奏？

存储供给首先受到产品间资源分配的影响。美光6月24日表示，自身DRAM库存仍然紧张，HBM需求增长及新一代产品对晶圆资源占用的增加，正在挤压非HBM供给。7月29日，SK海力士也称客户需求超过供给能力。新增供给还需等待：按美光6月披露的计划，新加坡先进封装设施将从2027年上半年开始明显增加HBM封装产能。眼下的需求与未来的产出之间，隔着建设和产能爬坡。

光通信则出现扩产与整体库存增加并存的情况。Coherent5月6日提出，计划年内将内部磷化铟产出翻倍，2027年再翻倍以上；这种材料用于制造激光器等光通信器件。8月12日的年度业绩公告继续强调客户需求强劲，同时显示6月底的公司整体存货高于一年前。这些库存覆盖数据中心、通信与工业等业务，既可能包含扩产备料，也可能包含销售放慢的产品，不能单凭总额判断AI光模块已经积压。

一种可能是，新需求不断到来，推迟了部分产品库存压力显现的时点。企业安排扩产后，模型用途、用户规模与系统配置还在变化。如果相关业务的实际消耗继续增长，新产出仍需用于补足交付缺口，紧缺与扩张阶段就可能延续。但客户接货也可能是在增加储备，需要结合实际使用来判断。这里可能被拉长的，首先是供给追赶需求的阶段，整轮库存周期是否变长还需观察。

另一种可能是，局部库存调整被总量增长掩盖。假如客户转向新规格，旧产品可能开始降价去库，新产品却仍供不应求。不同产品、不同客户的采购节奏错开，行业收入可以继续增长，部分产品的库存调整也可能已经展开。这是需要检验的解释，不能从整体业绩直接推定。

区分两种情况，要沿着同类产品追踪供给、接货和实际消耗。若新增产出持续被业务吸收，交期仍长、库存周转稳定，就更支持供给仍在追赶需求的判断；若客户库存超过正常备货需要，开始推迟接货、减少补单，供应商按原计划生产的产品便可能滞留，进而推动排产调整。价格、交期与周转速度，需要放在这条链上一起看。

基钦周期的视角因此仍然有用：它让我们追问，新增供给进入了实际业务，还是停在了某一环的库存里。对中国AI芯片项目，要看所需规格的配套部件能否按期到位；对供应商，要看客户接货与补单能否延续。当采购变化传到供应商，影响的不仅是下一批排产，也可能是下一轮扩产。

朱格拉周期：从CoWoS到800V，扩产之后的回报从哪里来？

当调整排产仍填不平缺口，企业就要投入新的厂房、机房和电力设施。资金先投入，供给随后形成；等待投产期间，业务规模和产品规格还在变化。新增供给最终能否获得预期回报，会反过来影响下一轮建设。

扩产还要面对产品换代。台积电4月22日公布的CoWoS先进封装路线图，计划于2028年把更多计算芯片与HBM放进同一封装。产能需要时间形成，产品却在继续升级，今天的投资要在未来的规格、售价和良率条件下收回。

机房与电力也有时间差。IEA在2025年的研究中指出，数据中心可在两至三年内投入运行，更广泛的能源基础设施往往需要更长的规划和建设时间。其2026年4月报告将全球数据中心用电量从2025年的约485TWh推算至2030年的约945TWh，包含AI与非AI业务。容量预期在增长，各环节却未必能同时就绪。

图：全球数据中心用电量，据IEA于2026年4月16日更新的官方数据重绘；2030年为基准情景预测。

回报在产业链上的兑现并不同步。制造企业要靠出货覆盖生产成本与折旧，售价、良率和利用率共同影响利润；设备商要完成交付和回款；数据中心则要靠算力服务收入，或自用业务带来的增收、降本收回投入。上游已经卖出设备，下游可能才刚开始赚取运营收入。

800VDC和液冷的收益，也可能来自释放受限的计算容量。已有业务却因配电、散热或空间限制无法上线，升级有机会让设备更早产生收入；否则，一端仍缺电，另一端已经到货的服务器却可能等待使用。NVIDIA的800VDC方案将减少转换损耗、提高空间效率列为目标。客户仍需把新增产出与运营节省，同改造投入及停机成本比较。

即便AI业务继续增长，只要有效算力供给增加得更快，价格或利用率仍可能承压。新增项目的预期收益下降，企业可能先推迟下一座机房、下一批设备，调整再传到服务器、芯片和配套订单。已有容量逐步消化、回报预期改善后，投资才有条件重新加快。

朱格拉周期观察投资的扩张、回落与恢复。对中国AI芯片供应商，机房扩建能否持续，会影响后续设备采购。有业务却上不了线，需要补齐交付条件；设备就绪却缺少业务，则要消化已有容量。两种延期背后的原因不同，也需要不同的应对。

康波周期：从大模型到Agent，怎样形成持续采购的需求？

新增算力最终要由持续发生的业务消化。AI可以借助已有电脑、网络和软件推广，无须等所有用户先换一轮设备。圣路易斯联储研究者的调查显示，2025年8月，美国18至64岁成年人生成式AI使用率为54.6%；按大众化产品问世约三年比较，高于个人电脑的19.7%和互联网的30.1%。这说明早期普及较快，尚不能代表企业流程已完成改造。

麦肯锡2025年全球调查中，88%的受访者表示，所在组织已在至少一个业务职能中常态化使用AI。更多企业开始采用，已有用户增加任务，都可能带来需求；接下来要看这些尝试能否进入日常工作。

Agent让应用从单次问答延伸到连续执行。工单到达、异常告警，可以触发读取信息、调用工具、检查结果等一串操作。麦肯锡2026年8月发布的调查显示，年收入超过10亿美元的大型组织中，40%的受访者称所在组织正在至少一个业务职能中扩大智能体部署，高于2025年的27%；较小组织仍为22%。数据、权限与流程改造，影响着这些任务能否进入日常运营。

但调用更多，未必完成了更多工作。Agent反复重试、频繁转回人工，也会增加Token消耗。企业愿意续约，靠的是完成任务带来的收益足以覆盖模型调用、复核与维护投入。

实际工作中的效率改善已有可观察的证据。《经济学季刊》2025年发表的一项研究，分析了5172名客服人员，发现使用生成式AI助手后，每小时解决问题数平均提高约15%。这是AI辅助员工的效果。节省的工时还要变成更多产出或成本节约，再扣除相关费用，才是企业的实际回报。

制造业还要跨过生产现场的复制门槛。工信部2026年7月披露，规模以上制造业企业人工智能技术应用普及率超过30%，这是广义AI口径。以质检为例，换产品、换产线后，识别效果和响应速度仍须适应生产要求；计入维护成本后，收益能够复现，企业才有扩大部署的依据。

图：据工信部2026年7月披露数据重绘，统计对象为规模以上制造业企业。

工具普及与深入工作仍有距离。同一项联储调查显示，2025年8月，生成式AI辅助的工时仅占美国18至64岁劳动者总工时的5.7%。企业还要整理数据、培训人员、重做流程，收益随后才可能显现。生产率J曲线讨论的正是这类配套投入的时差。从康波长波的视角看，早期采用更快，还不足以判断整轮经济长波缩短。

持续付费传到芯片采购，还要经过容量判断。企业增加订阅、模型调用或算力租赁，由服务商决定是否扩容；自建算力的企业则直接判断设备是否够用。现有设备可以先吸收新增任务，峰值并发、响应时延和冗余要求，也可能让平均利用率尚未饱和的系统需要更多设备。

回到智谱披露的约3倍吞吐优化：同一硬件可以承接更多请求，客户可能暂缓加购；任务成本若随之下降，又可能打开新的用途。新增业务、效率提升与服务要求，共同决定下一轮采购。

中国AI芯片的规模部署与替代机会已经出现，但现有案例还不足以确认一轮超级周期。应用扩散快、供给建设慢，可能让部分紧缺与扩产持续更久；新产能到位之后，业务没有跟上，回报又会承压。能把市场窗口延长的，是持续创造价值的新业务，以及能够及时承接这些业务的中国算力。观察三重周期，关键在于业务增长、供给释放与效率提升如何相互追赶。